[发明专利]虚拟机异常诊断方法、装置、设备及存储介质

说明书

本申请实施例提供一种虚拟机异常诊断方法、装置、设备及存储介质，其中，方法包括：获取用于表征虚拟机的多个性能指标的时序数据；时序数据包括第一类型数据和第二类型数据；对第一类型数据通过静态阈值模型进行处理，获得第一诊断结果；对第二类型数据通过机器学习模型进行处理，获得第二诊断结果；当第一诊断结果和第二诊断结果中至少一个为异常时，确定虚拟机为异常。本申请中，将静态阈值模型和机器学习模型相结合，对虚拟机中每个指标进行检测，提高了异常诊断的效率；同时该诊断方法能够适应实际环境的变化，提高了异常诊断的准确性。

技术领域

本申请实施例涉及虚拟机技术领域，涉及但不限于一种虚拟机异常诊断方法、装置、设备及存储介质。

背景技术

云计算领域中，进行虚拟机异常诊断的解决办法通常是采用静态扫描检测法，即以预定义的最佳实践为基线，扫描当前虚拟机的配置与性能指标，将偏离基线的配置或指标判定为异常。

但是，使用静态扫描检测法时，无法记录与分析虚拟机的历史异常，只能扫描虚拟机当前仍存在的异常，并且无法保证异常诊断的准确性。

发明内容

本申请实施例提供一种虚拟机异常诊断方法、装置、设备及存储介质。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种虚拟机异常诊断方法，包括：

获取用于表征虚拟机的多个性能指标的时序数据；所述时序数据包括第一类型数据和第二类型数据；

对所述第一类型数据通过静态阈值模型进行处理，获得第一诊断结果；

对所述第二类型数据通过机器学习模型进行处理，获得第二诊断结果；

当所述第一诊断结果和所述第二诊断结果中至少一个为异常时，确定所述虚拟机为异常。

在一些实施例中，所述第一类型数据对应的性能指标与一个目标静态阈值之间具有映射关系，且同一业务对应的所述目标静态阈值为固定值；所述第二类型数据为具有周期性的数据。

在一些实施例中，所述静态阈值模型中至少包括指标数值检测模块和异常持续时间检测模块；所述对所述第一类型数据通过静态阈值模型进行处理，获得第一诊断结果，包括：通过所述指标数值检测模块，确定所述第一类型数据与所述目标静态阈值之间的第一差值；当所述第一差值大于预设阈值时，确定所述第一类型数据为异常数据；通过所述异常持续时间检测模块，检测所述异常数据的持续时长；根据所述持续时长，确定所述第一诊断结果。如此，通过静态阈值模型，能够对第一类型数据进行准确的分析，并且能够消除第一类型数据中的瞬时值和数据误差的影响，提高了异常诊断的精确度。

在一些实施例中，所述根据所述持续时长，确定所述第一诊断结果，包括：当所述持续时长大于时长阈值时，确定出所述第一诊断结果为所述第一类型数据对应的性能指标为异常。

在一些实施例中，所述机器学习模型中至少包括规律检测模块、数据预测模块和数据诊断模块；所述第二类型数据为目标时间段内的数据；所述对所述第二类型数据通过机器学习模型进行处理，获得第二诊断结果，包括：获取预设历史时间段内的历史数据；将所述历史数据和所述第二类型数据，输入至预先训练得到的机器学习模型中；通过所述规律检测模块，对所述历史数据进行周期性规律检测，以确定所述历史数据的变化规律；通过所述数据预测模块，根据所述变化规律，确定在所述预设历史时间段之后的所述目标时间段内的预测数据；通过所述数据诊断模块，根据所述预测数据和所述第二类型数据，确定所述第二诊断结果。如此，通过机器学习模型，无需对虚拟机中每个指标都设置静态阈值，减少了工作量，提高了虚拟机异常诊断的效率。